前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >OpenPose 升级,CMU提出首个单网络全人体姿态估计网络,速度大幅提高

OpenPose 升级,CMU提出首个单网络全人体姿态估计网络,速度大幅提高

作者头像
CV君
发布2019-12-27 11:14:36
3.2K0
发布2019-12-27 11:14:36
举报
文章被收录于专栏:我爱计算机视觉

昨天,曾经开源OpenPose的卡内基梅隆大学(CMU)公布了ICCV 2019 论文 Single-Network Whole-Body Pose Estimation,提出一种在单一网络实现全人体姿态估计的算法,相对OpenPose大幅提高了速度。

如下图:

在OpenPose只能达到帧率1.6 fps的图像上,该文提出的算法运行帧率可达到13.2 fps,且精度还有改进。

该文作者信息:

作者来自卡内基梅隆大学、RetailNext公司、Facebook AI 研究院。

所谓全人体姿态估计,即对人体躯干、人脸、手部都进行姿态估计,这可以通过先检测人体躯干关键点,然后再针对人脸和手部进行单独的关键点定位实现,这也是OpenPose的做法。

但这种方法需要多个姿态估计网络,速度并不快。

作者希望在OpenPose算法框架下,使用单一网络实现全人体的姿态估计。

下图为该文提出算法流程图:

作者是在论文OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields 基础上进行了改进,将原本人脸、手部 Part Affinity Fields直接合并进入人体的Part Affinity Fields, 进行多任务学习,实现上述功能。

作者提出的算法在人体Body-foot 部位数据集与OpenPose的精度比较:

作者提出的算法在人脸数据集与OpenPose的精度比较:

作者提出的算法在手部数据集与OpenPose的精度比较:

可见,该文提出的算法相比OpenPose精度相当,或有小幅提高。

算法运行速度的比较:

可见该文提出的算法随着图像中人数的增加,运行时间不变,而OpenPose则随着人数线性增长,该文提出的算法在多人全人体姿态估计任务上是OpenPose速度的N倍,N为图像中人数。

论文地址:

https://arxiv.org/pdf/1909.13423v1.pdf

代码地址:

https://github.com/CMU-Perceptual-Computing-Lab/openpose_train

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-10-02,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 我爱计算机视觉 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档